WorkBench prüft, ob Agenten typische Büroaufgaben erledigen und dabei keine unbeabsichtigten schädlichen Aktionen auslösen. In der ersten Messung erreichte GPT-4 im März 2024 43 Prozent und schickte bei 26 Prozent der Aufgaben eine schädliche Aktion ab, etwa eine E-Mail an den falschen Empfänger.
Die Neuauflage vom Juni 2026 setzt Claude Fable 5 mit 98 Prozent gelösten Aufgaben und 1,9 Prozent schädlichen Aktionen an die Spitze. Die Werte zeigen in diesem Test zugleich bessere Leistung und mehr Sicherheit; sie sind kein Beleg für eine allgemeine Regel außerhalb des Benchmarks.
Der Preprint stammt von Olly Styles und Sam Miller und ist noch nicht begutachtet. Grundfehler wie falsche Empfänger bleiben möglich. Auch die Kostenvorteile offener Gewichte betreffen in der Studie nur mittlere Leistungsbereiche.